Analyse und Entwicklung Neuronaler Netze für die Vorhersage von 3D-Strömungslösungen anhand eines Fandesigns

Kurzfassung

Mittels CFD-Strömungssimulationen kann ein Verdichter einer Turbomaschine aerodynamisch bewertet und ausgelegt werden. Im Rahmen einer Optimierung werden diese Strömungssimulationen für verschiedene Designvariationen häufig durchgeführt und benötigen daher enorm viel Rechenzeit. Allerdings fuhren schon kleine Änderungen in der Parametrisierung oder Zielformulierung einer ¨ Optimierung dazu, dass zuvor gewonnene Erkenntnisse nur bedingt in weiteren Optimierungen verwendet werden können. Eine vollständige Weiterverwendung aller berechneten Strömungslösungen könnte zukünftige Optimierungen beschleunigen. ¨ Es soll daher ein Verfahren untersucht werden, mit dessen Hilfe Strömungsinformationen aus bereits durchgeführten Optimierungen unabhängig der Parametrisierung extrahiert werden können. Aus diesem Grund wurde ein Verfahren zur Berechnung von Strömungssimulationen mittels Neuronaler Netze entwickelt und untersucht. Diese Modelle können anhand bereits berechneter Strömungslösungen trainiert werden, sodass diese Informationen auf andere Geometrien in kurzer Zeit übertragen werden können, um eine möglichst schnelle Vorhersage zu erhalten. Zu diesem Zweck wurde zunächst eine Datenbasis von Strömungslösungen anhand einer Optimierung erzeugt, die für das Training des Modells genutzt wurde. In einem zweiten Schritt wurde ein Verfahren ¨ entwickelt, um die Geometrieinformationen für die Nutzung mittels Neuronaler Netze aufzubereiten. ¨ Anschließend wurde ein Modell für ein Neuronales Netz analysiert und aufgestellt, welches auf ¨ moderne Techniken der Bilderkennung im Bereich Deep Learning zurückgreift. Die Validierung ¨ und Bewertung des Verfahrens erfolgte anhand einer Testmenge auf Basis statistischer und aerodynamischer Metriken. Es konnte so ein Modell trainiert werden, welches für verschiedene Geometrievariationen einer ¨ Optimierung Strömungsvorhersagen treffen kann. Die aerodynamische Auswertung verschiedener Kenngrößen offenbarte allerdings noch Verbesserungspotential, sodass der Einsatz des Modells im Rahmen einer Optimierung nicht abschließend evaluiert wurde und lediglich Möglichkeiten für zukünftige Anwendungsfälle aufgezeigt werden. Es ist dennoch erkennbar, dass verschiedene Strömungseffekte von dem Modell erlernt und wiedergegeben werden, sodass dies ein vielversprechender Ansatz für weitere Untersuchungen ist.